145
Contribution à la surveillance des systèmes de production de l’énergie: application à une turbine à vapeur de la centrale
thermique de Cap - Djinet
S. Benammar 1*, A. Khellaf 3, K. Mohammedi 1 et A. Abdelmoumene 2
1 Laboratoire Energétique - Mécanique et Ingénieries, LEMI 2Institut de Génie Electrique et Electronique, INELEC
Université M’Hamed Bouguera, Boumerdes, Algeria
3Division Hydrogène, Centre de Développement des Energies Renouvelables, CDER B.P. 62, Route de l’Observatoire, Bouzareah, 16340, Algiers, Algeria
Résumé - Le présent travail a pour but de montrer l’utilisation des réseaux de neurones artificiels de type PMC (perceptron multicouches) dans le domaine de la surveillance des systèmes de production de l’énergie, en temps réel. Cette étude est décomposée en deux parties principales: dans la première partie, nous avons proposé des configurations neuronales optimales pour la détection et la localisation des défaillances (FDI) dans les turbines à vapeur. Les entrées du réseau sont les valeurs numériques obtenues à partir des capteurs de surveillance placés dans différents points de la turbine à vapeur, les sorties du réseau représentent le mode de fonctionnement et les points défaillants de la turbine dans le cas d’une anomalie. Dans la deuxième partie, nous avons proposé une approche simple, pour le développement d’un système de diagnostic, basée sur la combinaison entre les méthodes déterministes des arbres de défaillances et la méthode des réseaux de neurones artificiels. Dans ce cas, le réseau de neurone possède deux types de données, des données fixes obtenues à partir des arbres de défaillances et des données variables obtenues à partir des capteurs de surveillance pour sélectionner, à la sortie du réseau, la cause probable d’une défaillance.
Mots clés: Diagnostic - Réseaux de neurones artificiels - Détection – Défaillance - Systèmes industriels complexes - Turbines à vapeur.
1. INTRODUCTION
Le rôle premier de la surveillance industrielle est d’augmenter la disponibilité des installations industrielles afin de réduire les coûts directs et indirects de la maintenance des équipements de production. Les coûts directs de cette maintenance sont ceux relatifs aux diverses pièces de rechange, main d’œuvre, etc. Par contre, les coûts indirects sont essentiellement dus au manque à gagner engendré par un arrêt de production [1, 2].
En diagnostic, les spécialistes sont conduits à identifier le mode de fonctionnement du système défaillant. Les premières méthodes de diagnostic furent basées sur la redondance de matériels jugés critiques pour le fonctionnement du système. La redondance matérielle est très répandue dans les domaines où la sûreté de fonctionnement est cruciale pour la sécurité des personnes et de l’environnement, comme dans l’aéronautique ou le nucléaire. Les principaux inconvénients de la redondance matérielle sont liés aux coûts dus à la multiplication des éléments ainsi que l’encombrement et aux poids supplémentaires qu’elle génère. Le développement des
communication avec l’expert. Celles-ci représentent les techniques de l’Intelligence Artificielle (IA) et servent comme outil de base pour l’aide à la décision. [2]
A la base de ces travaux, on se propose dans cet article un système de surveillance basé essentiellement sur deux stratégies. La première est reposée sur l’intelligence artificielle connue sous le nom ‘les réseaux de neurones artificiels’ et la deuxième est descriptive désignée par ‘les arbres de défaillances’. C’est un système hybride de diagnostic.
2. PRESENTATION DU SYSTEME D’APPLICATION
Le système d’application est une turbine à vapeur de la centrale thermique de Cap- Djinet à Boumerdes. La turbine transforme l’énergie thermique contenue dans la vapeur provenant de la chaudière en un mouvement de rotation de l’arbre. Le travail mécanique obtenu sert à entraîner l’alternateur. Elle se compose de trois corps, corps HP (haute pression), corps MP (moyenne pression) et corps BP (basse pression). Elle a une puissance et une vitesse de rotation nominales de 176 MW et 3000 Tr/mn respectivement. La figure 1 représente une photo réelle du groupe turboalternateur de la centrale de Cap-Djinet.
Fig. 1: Photographie réelle du groupe turboalternateur de la centrale de Cap-Djinet La ligne d’arbre repose sur quatre paliers. Chacun de ces paliers porte six capteurs de surveillance, dans les paliers de la turbine. (Fig. 2)
Excitatr Alter Tur
Fig. 2: Emplacement des capteurs de surveillance sur un quart de la turbine (Palier 1 coté corps HP)
3. PRINCIPE DE LA DEMARCHE
Le schéma de la figure représente les principales étapes de l’approche proposée pour l’obtention d’un système de diagnostic (identification des causes de défaillances). Le système est composé de deux parties en réalité:
- Une partie statique, qui represente la base de données de la deuxième partie dynamique, cette base de donnée est obtenue à partir des arbres de causes des paramétres à surveiller.
- Une partie dynamique, qui représente le réseau de neurones lui-même, tel que les entrées du reseau sont les sorties capteurs en fonction du temps (X1(t), )X2(t ,…,
) t (
Xm ) et les sorties du reseau sont les causes probables des défaillances au temps réel (yi(t)).
) y ..., , y , y (
Xi 1 2 n : Paramétres surveillés en fonction des causes probables, ]
m ..., , 2 , 1 [
i= . Dans notre cas, m = 6.
) X ( F ...
) X ( F ) X ( F
Y = 1 1 + 2 2 + + m m : Vecteur des causes en fonction des paramétres surveillés, F , 1 F , … , 2 F sont des fonctions supposées linéaires. m
3.1 Arbre de défaillance ou arbre de causes
La réalisation d’un arbre de défaillance nécessite les conditions suivantes:
- Connaissance technologique de la machine à étudier, - Connaissance de l’historique des pannes de la machine,
- Connaissance du fonctionnement de la machine et le déroulement du procès,
- Savoir la relation entre les événements redoutés et leurs influences sur fonctionnement de la machine étudiée.
Le déroulement d’une telle méthode est basée sur les quatres étapes suivantes: [7]
1- Identification des événements redoutés
2- Décomposition de chaque événement redouté en sous événements reliés par des portes logiques;
3- Décomposition des sous événements jusqu’à l’obtention de l’élément de base;
4- Identification des points faibles du système.
d’ailette de la turbine et ainsi de suite.
4. CALCUL DE L’ARCHITECTURE OPTIMALE DU RESEAU DE NEURONES
Les RNA ont été développés sous forme de modèles parallèles de réseau distribué basés sur l’apprentissage biologique du cerveau humain. Il y a de nombreuses applications des RNA dans l’analyse de données, l’identification de modèle et la commande [3, 5]. Parmi différents types de RNA, les perceptrons multicouches (noté MLP pour Multi Layer Perceptron en anglais) sont tout à fait populaires et utilisés pour le travail actuel. Un réseau MLP se compose d’une couche d’entrée de neurones de source, une ou plusieurs couches cachées et d’une couche de sortie. ‘
Les lois générales pour le calcul des sorties des neurones de la couche cachée et de la couche de sortie sont respectivement:
⎟⎟
⎟
⎠
⎞
⎜⎜
⎜
⎝
⎛ × +
×
=
∑
=
1j M
1
i 1 i
j 1 ,i
j f w x b
u (1)
⎟⎟
⎟
⎠
⎞
⎜⎜
⎜
⎝
⎛ × +
×
=
∑
=
2k N
2
l 2 l
k 2 ,l
k f w u b
y (2)
f , 1 f sont respectivement les fonctions2 d’activationsigmoïde (3) et linéaire(4).
e 1 1 ) 2 (
f1 2 −
= +
υ − υ (3)
υ
= (υ)
f2 (4)
L’apprentissage de réseau MLP implique de trouver des valeurs des poids de raccordement w1,ij et w2,lk, qui réduisent au minimum la fonction de l’erreur moyenne MSE entre les résultats réels produit (calculés) et les valeurs à atteindre (désirés) correspondantes dans l'ensemble d’apprentissage. L’apprentissage du réseau par l’algorithme de Levenberg-Marquardt est fait directement à l’aide de la boîte à outils de réseau de neurones de Matlab [5].
( )
∑
=−
×
= n
1 k
k 2 y n d
MSE 1 (5)
Pour obtenir l’architecture optimale, nous avons varié le nombre de neurones de la couche cachée de 1 jusqu’à 15, donc l’architecture optimale trouvée est: ‘ 751-09-04 ’ qui représente la plus petite erreur 1.98662e-008. (Fig. 3) [6].
Fig. 3: Apprentissage du réseau de neurone ‘751-09-04’
4.1 Simulation des sorties du réseau
On constate que les graphes en ligne continue du réseau sont bien coïncidés avec les graphes en ligne discontinue des fonctions désirées, ce qui explique la bonne simulation de l’architecture trouvée. (Fig. 4)
Fig. 4: Simulation des sorties du réseau 4.2 Evaluation des performances
Dans la figure 5, on voit que le coefficient de corrélation ‘R’ tend vers ‘1’, ce qui montre la performance du réseau.
4.3 Généralisation du réseau
Pour la généralisation du réseau, nous avons augmenté l’amplitude des valeurs d’entrée du réseau, tel que nous avons multiplié le vecteur d’entrée par ‘1.001’, et donc nous remarquons, presque, une coïncidence totale entre les graphes des sorties du réseau et ceux des sorties désirées. La figure 6 représente la généralisation du réseau trouvé.
Fig. 5: Performances du réseau trouvé
Fig. 6: Généralisation du réseau trouvé 4.4 Exemples de test pour l’identification des causes de défaillances
Exemple 1: On donne des valeurs élevées de vibrations et de température d’huile de lubrification palier 1 (vibp1=200 µm, thp1=95 °C) et des valeurs normales de débit d’huile et de température vapeur (dhp1= 65.10-5 m3/s, tvp1=550 °C). Le réseau indique la cause probable de cette défaillance, c’est la perte de caractéristiques d’huile de lubrification qui porte le code ‘1010’, (Fig. 7). Le décodage de ce code ‘1010’ est comme suite:
Tout d’abord, Les paramètres surveillés sont ordonnés de la gauche vers la droite de cette manière: vibrations relatives, débit d’huile, température d’huile et température de vapeur. Alors, les vibrations portent le code ‘1’, qui veut dire augmentation, le débit d’huile porte le code ‘0’, qui veut dire rien ne se passe, la température d’huile porte le code ‘1’ qui veut dire augmentation, la température de vapeur porte le code ‘0’ qui veut dire rien ne se passe.
Exemple 2: On injecte des valeurs élevées de vibrations et de température d’huile (vibp1=170 µm, thp1= 100 °C), une valeur basse de débit (dhp1= 30.10-5 m3) et une valeur normale de température de vapeur (thp1= 580 C°).
Le réseau signale la cause de la défaillance, c’est que la vanne d’huile est trop fermée représentée par le code ‘+1 -1 1 0’, (Fig. 8).
Fig. 7: Perte de caractéristiques d’huile
Fig. 8: Vanne trop fermée
5. CONCLUSION
Dans cet article, une procédure pour construire un modèle de diagnostic pour des systèmes industriels complexes (turbine à vapeur) a été proposée. Cette procédure repose sur le couplage de deux outils: les ADDs et les MLPs.
Les premiers (ADDs) sont utilisés pour modéliser les causes probables des différentes défaillances que peut subir le système. L’utilisation de cet outil a permis de modéliser la connaissance fournie par un expert pour faire du diagnostic. Les seconds (MLPs) sont utilisés pour la classification rapide et fiable, au temps réel, des causes probables de toutes les défaillances survenant sur le système.
Le nouveau système de diagnostic permet aux opérateurs relativement non qualifiés de prendre des décisions fiables sans connaître le mécanisme du système et analyser les données. Toutes les opérations de diagnostic se passent à l’intérieur du programme, sous forme d’une boite noire, et l’opérateur à la salle de commande n’a aucune grande tache à faire, il doit seulement lire les instructions sur l’écran.
La méthode hybride proposée permet d'automatiser la tâche de diagnostic et de remplacer l'expert humain dans sa mission, pour rassembler toutes les informations lui permettant d’apprendre sa décision.
[5] Q. Zhang, ‘Identification et Surveillance de Systèmes Dynamiques’, Habilitation à Diriger les Recherches, Université de Rennes1, Institut de Formation Supérieure en Informatique et en Communication, 1999.
[6] S. Benammar, D. Benazzouz, M.A Messari and F. Yahiaoui, ‘Vibratory Diagnosis Using Artificial Neural Networks: Application to a Steam Turbine’, 1er Colloque International Francophone Ingénierie et Environnement, Annaba 18 et 19 octobre 2010.
[7] H. Chattou, V. Sitthisack et E. Cuinet, ‘Analyse Préliminaire des Risques; les Arbres de Défaillances’, ISTIA, Université d’Angers, 2007.
